Machine learning 成本复杂性修剪：修剪错误

有人能解释这两种说法吗

在代价复杂度剪枝中，剪枝后的树误差不能小于训练数据集上的原始树

在成本复杂度修剪中，修剪后的树错误永远不能小于验证数据集上的原始树

---

第一条语句是正确的，第二条语句是错误的。

对于您选择的任何修剪策略，这都是正确的，前提是原始树的构造是将训练集中的错误最小化

True：修剪树错误永远不能小于训练数据集上的原始树

原始树尽可能具体，通过将子树替换为叶节点，只能得到不太具体的树。因此，训练数据中的误差可以保持不变，也可以增加，而不是减少

False：修剪树错误永远不能小于验证数据集上的原始树

我们假设验证集未知且独立于训练数据集。所以，一般来说，你不能做任何这样的假设。修剪时，验证数据集上的错误可能会增加、保持不变或减少

---

但是，我们希望错误会减少，因为树对训练数据的特定性会降低，因此更可能与不同的数据集兼容。

感谢您的澄清。因为我的名声在15岁以下，所以我不能对此进行投票。